Image processing of infrared thermal images for the detection of necrotizing enterocolitis
Notice bibliographique
Résumé
Necrotizing Enterocolitis (NEC) is a devastating intestinal disease associated with a high rate of mortality and long-term morbidity. Treatments can be successful if NEC is diagnosed early, but no reliable methods exist. Infrared imaging can detect tissue inflammation and thus has the potential to be an early diagnostic tool for NEC. Infants with no clinical or radiographic signs of NEC, and a group of infants with evidence of at least Bell’s Stage 2 NEC were enrolled in our study. Infants underwent bedside infrared imaging for 60 seconds. The dataset consists of twenty normal infants and nine infants with NEC. In early work, in infants with NEC, the upper-to-lower (UL) region temperatures differed significantly, where no significant difference in the UL region was found in normal infants. No significant difference was found in left-to-right (LR) region temperatures for both groups. The decision tree classifier produced good results in terms of specificity, sensitivity, and standard deviation for ten trials. Results for the medians were: 91%+/-0.07%; 84%+/-18%; and for the means they were: 86%+/-0.04%; 79%+/-21% [1]. In this work, we assessed the impact of image enhancement in discriminating between infants with NEC and those without. The approaches explored were: (i) noise reduction; (ii) background removal; and (iii) contrast enhancement. Preliminary results show marked improvement in detecting infants with NEC. Future work will automate the analysis and carry-out a prospective study to attempt detecting NEC at earlier stages. Other image analysis techniques will be tested to enhance the performance of our new diagnostic tool.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».